資源描述：
《基于rbf神經(jīng)網(wǎng)絡(luò)與模糊控制的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、江蘇大學(xué)碩士學(xué)位論文基于RBF神經(jīng)網(wǎng)絡(luò)與模糊控制的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)姓名：張師玲申請(qǐng)學(xué)位級(jí)別：碩士專業(yè)：農(nóng)業(yè)電氣化與自動(dòng)化指導(dǎo)教師：李正明;周新云20100601江蘇大學(xué)碩士學(xué)位論文摘要短期負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力系統(tǒng)優(yōu)化運(yùn)行的基礎(chǔ)，對(duì)于電力系統(tǒng)的安全性、可靠性和經(jīng)濟(jì)性都有著顯著影響。目前，智能電網(wǎng)技術(shù)成為國(guó)家電網(wǎng)發(fā)展的一個(gè)新方向，這對(duì)負(fù)荷預(yù)測(cè)的要求越來(lái)越高，因此，應(yīng)用智能算法進(jìn)行電力系統(tǒng)的短期負(fù)荷預(yù)測(cè)，提高負(fù)荷預(yù)測(cè)的精度和穩(wěn)定性，具有十分重要的意義。根據(jù)電力負(fù)荷特性的變化規(guī)律，考慮了日期類型、溫度、天氣情況等影響負(fù)荷預(yù)測(cè)的因素，本文提
2、出了一種將徑向基函數(shù)(RadialBasisFunction，RBF)神經(jīng)網(wǎng)絡(luò)與模糊理論相結(jié)合的短期負(fù)荷預(yù)測(cè)的方法。首先，本文采用數(shù)據(jù)橫向和縱向平滑處理法對(duì)負(fù)荷異點(diǎn)進(jìn)行了處理，用相似日選取方法對(duì)缺失的數(shù)據(jù)來(lái)進(jìn)行補(bǔ)遺，避免了因錯(cuò)誤數(shù)據(jù)或者缺失數(shù)據(jù)對(duì)負(fù)荷預(yù)測(cè)精度造成的影響。其次，通過(guò)對(duì)實(shí)際地區(qū)電力負(fù)荷的特性分析，確定短期負(fù)荷曲線變化的主要影響因素，找出負(fù)荷變化的規(guī)律性，根據(jù)分析結(jié)果，選擇對(duì)短期負(fù)荷預(yù)測(cè)影響最大的因素作為輸入樣本的特性指標(biāo)，本文選取的是日期類型、最高溫度、最低溫度和天氣情況。最后，將模糊控制理論引入到RBF神經(jīng)網(wǎng)絡(luò)，在RB
3、F神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的基礎(chǔ)上，將預(yù)測(cè)點(diǎn)的相對(duì)誤差和相對(duì)誤差率作為模糊控制器的輸入，負(fù)荷的修正因子作為輸出，然后將RBF網(wǎng)絡(luò)的預(yù)測(cè)值與模糊調(diào)整量的代數(shù)和作為最終的預(yù)測(cè)值，并根據(jù)實(shí)際地區(qū)的歷史負(fù)荷數(shù)據(jù)進(jìn)行了驗(yàn)證分析，將RBF神經(jīng)網(wǎng)絡(luò)與模糊控制相結(jié)合的方法與RBF神經(jīng)網(wǎng)絡(luò)方法進(jìn)行了比較。實(shí)際算例表明，RBF神經(jīng)網(wǎng)絡(luò)與模糊控制理論相結(jié)合的預(yù)測(cè)方法加快了網(wǎng)絡(luò)學(xué)習(xí)速度，提高了負(fù)荷預(yù)測(cè)精度，具有較好的應(yīng)用前景。關(guān)鍵詞：負(fù)荷預(yù)測(cè)，RBF神經(jīng)網(wǎng)絡(luò)，電力系統(tǒng)，模糊控制江蘇大學(xué)碩士學(xué)位論文ABSTRACTShort—termloadforecastingi
4、sthebasisofthepowersystemoptimizationnmning．Ithassignificantinfluenceforsafety,reliabilityandeconomicalofpowersystem．Atpresent，intelligentnetworktechnologybecomesthenewdirectionofnationalpowergrid，whichhasmoreandmoredemandforloadforecasting，therefore，theapplicationofin
5、telligentalgorithmforshort·termloadforecasting，whichimprovingtheprecisionandstabilityoftheloadforecast，hastheextremelyvitalsignificance．Accordingtothecharacteristicsofelectricpowerloadvariation，consideringthedate鑼pe，temperature，weatherconditionsofloadforecastfactors，th
6、epaperputsforwardashort·termloadforecastingmethodwhichisthecombinationofradialBasisFunction(RBF)neuralnetworkandfuzzytheory．Firstly,thepaperadoptsthehorizontalandverticaldatasmoothingmethodtoprocessdifferentloaddata,forthemissingdata,itusessimilarselectionmethodsforadd
7、enda，whichavoidstheimpactforloadforecastingaccuracybyerrordataormissingdata．Secondly，basedontheactualareaofpowerloadcharacteristicsanalysis，itdeterminesthemaininfluencefactorsoftheshort·termloadcurve．Accordingtotheresultsofanalysis，itchoicesthebiggestimpactfactorsofsho
8、rt—termloadforecastingasinputdata，thepaperselectsthecharacteristicparametersofthedaytype，thehi曲eSttemperature，thelowe
